Un caso de aplicación de previsión multivariante con Kajal Forecasting

La empresa objeto del análisis se dedica a la fabricación y la comercialización de sistemas de medida y accesorios para agua, gas y electricidad, abasteciendo a más de 100 países repartidos por todo el mundo.

Debido a la demanda de surtidos cada vez mayores, la empresa se está desplazando desde mercados estables a mercados con productos mucho más diversificados, con una vida de los productos más corta. Esto hace que los históricos de demanda de los productos sean limitados y esto constituya un inconveniente a la hora de estimar la demanda.

Por otro lado, la empresa cuenta con información comercial futura de los productos en los distintos mercados en los que opera, de manera que es posible extraer más información de los datos del plan comercial que del propio histórico de venta.

El anteproyecto desarrollado en colaboración con ITAINNOVA persigue analizar la viabilidad de la previsión de los productos de la empresa incorporando en los modelos de previsión nuevas variables asociadas a la información comercial disponible.

Solución de ITAINNOVA: Previsión multivariante a través de Kajal

Kajal Forecasting  permite estimar la demanda futura de forma desatendida para miles de series a partir del modelado estadístico del histórico de demanda y de variables auxiliares que permiten mejorar la precisión del pronóstico.  Con este fin, se aplican un conjunto de técnicas avanzadas de modelado estadístico y de machine learning que se complementan con funcionalidades de análisis de precisión de la previsión, análisis de rolling forecasting y procesos de previsión colaborativa.

AnalisisPrecision

Figura 1. Gráficos de análisis de precisión de Kajal Forecasting

Los modelos multivariantes de Kajal Forecasting permiten incorporar en los modelos de previsión información adicional a la incluida en el histórico de venta y que permite mejorar la estimación futura de la demanda. Esta información, procedente de fuentes de datos de la empresa y de otros agentes de la cadena de suministro, resulta especialmente valiosa en el caso de históricos de demanda limitados, donde los datos existentes no permiten modelar de forma adecuada el comportamiento de la demanda.

Resultados obtenidos

Los modelos de previsión multivariante de Kajal Forecasting han permitido obtener una estimación de la demanda mensual futura de productos con histórico inferior a un año. Para ello, se ha utilizado como fuente de datos el plan comercial de los distintos productos.

Los resultados muestran cómo existen tres patrones de estimación diferenciados. En un primer caso, los productos dan mayor peso al efecto de la variable auxiliar, el plan comercial, y la estimación es corregida levemente por la tendencia histórica. En el segundo caso, el peso del histórico de demanda es mayor que el de la variable auxiliar, que los modelos detectan como poco significativa. En el tercer caso, las estimaciones basadas en métodos multivariantes consideran ambos efectos, tanto el de la variable auxiliar, como el de la tendencia histórica.

 GraficoC_PrimeroGraficoH_SegundoGraficoJ_Tercero Figura 2.  Ejemplo de productos con distintos patrones de estimación

Cada vez existe un volumen mayor de información disponible (indicadores macroecónomicos, indicadores de actividad por sector, indicadores de evolución de los mercados, etc.) susceptible de ser utilizada en los modelos de estimación. Desde ITAINNOVA, seguimos avanzando en la exploración de nuevas fuentes de datos con el fin de mejorar la estimación del comportamiento futuro de la demanda.

 

Trabajo realizado por  Lorena Polo y David Ciprés, del Grupo de Logística de ITAINNOVA.

 

 

Acerca de lpolo

Lorena Polo es Ingeniera Industrial (Universidad de Zaragoza), y Master en Supply Chain and Technology por la Universidad Ramón LLull. Está trabajando en su tesis doctoral en modelos de aprovisionamiento con consideraciones de prevision de la demanda y de colaboración en la cadena de suministro. Tiene el Diploma de Estudios Avanzados por la Universidad de Zaragoza y es candidato a doctorado. Sus áreas principales de investigación son la planificación de procesos logísticos mediante técnicas modelización y optimización de los procesos, gestión de la cadena de suministro, gestión de las operaciones y previsión de la demanda. Lorena ha participado en varios proyectos de I + D nacionales y europeos de logística a lo largo de su carrera desde el año 2000, principalmente en los sectores de la automoción y distribución y retail. Ha realizado diversos artículos en revistas indexadas y presentaciones en congresos nacionales e internacionales.

,

Related posts